基于PSO-Gabor特征增强的钢板表面缺陷识别研究

为了解决钢板表面类内缺陷形态差异大、类间缺陷相似度高且传统方法难以准确识别的问题,提出了基于PSO-Gabor特征增强的钢板表面缺陷识别方法。首先采用粒子群优化算法(PSO)对Gabor滤波器的频率、方向、尺度和滤波窗口尺寸进行迭代寻优,根据得到的最优参数构造Gabor滤波器;然后利用该滤波器与钢板表面缺陷图像进行卷积操作,并计算其能量响应值获得对应的能量图;最后将能量图输入到卷积神经网络中进行训练和测试。实验结果表明,该方法对钢板表面缺陷识别准确率达到97.5%,检测时间约为50 ms,与传统的模式识别方法相比,识别准确率大幅提升,识别速度快。

基于Faster R-CNN的钢板表面缺陷识别研究

针对热轧钢板表面缺陷检测中存在小目标缺陷检测精度差、整体检测速度较慢的问题,提出了一种基于Faster R-CNN改进的缺陷检测方法。针对钢板表面的缺陷特征,对Faster R-CNN的特征提取网络进行修改,从而得到更好的缺陷检测效果。实验证明,改进过的网络对于缺陷检测的速度和小缺陷检测的准确度有很好的提高。

3维灰度矩阵的钢板缺陷图像识别

目的钢板表面缺陷的种类多样、灰度结构复杂,现有的图像分割技术运用在灰度结构复杂、目标边缘模糊的钢板缺陷图像中仍然存在识别效率低、过分割现象明显等问题,本文结合图像灰度矩阵的空间特征,提出一种基于3维灰度矩阵的钢板表面缺陷识别算法。方法首先根据灰度图像构建3维灰度矩阵;然后引入半类间方差改进克里金插值算法,绘制3维灰度矩阵的等值线图;接着构建等值线的拓扑关系树;最后根据自定义的全局搜索策略和局部搜索策略相结合,寻找局部凹凸区域,从而定位缺陷区域,达到分割钢板表面缺陷的目的。结果本文方法能有效地识别钢板表面缺陷区域,对光照变化不敏感,在保证低误差率的前提下,提高了有效分割率。通过对氧化、辊印、结疤和气泡四类钢板缺陷图像进行测试,从分割效果和评价指标两方面对比其他钢板缺陷分割算法。与Fisher阈值分割法、经典的活动轮廓模型CV模型、基于半局部区域描述符的活动轮廓模型HTB模型和改进背景差分法进行分割效果对比,本文方法对四类钢板表面缺陷的识别更精确,分割结果更细致,一定程度上抑制了过分割现象。与大津法Ostu、1维最大模糊熵法1DMFE、最大模糊超熵法MFEE进行评价指标对比,得出对于分割孔洞和辊印图像,本文方法在误分割率均保持在2.0%以下的前提下,将有效信息率分别提升了1.6%和2.1%;对于夹杂图像,本文方法在3.4%的误分割率的前提下,具有85%以上的有效信息率。结论提出的基于3维灰度矩阵的钢板缺陷图像识别算法可以有效地识别多种类型的钢板缺陷,即使在缺陷结构复杂的图像识别中仍具有较高的识别率。